-
1
为什么在Cursor中使用的GPT-5-High明显比在ChatGPT网站上简单询问GPT-5-Thinking要差？
↗
-
2
在Windows 11的WSL2环境中，使用vLLM和Docker来运行Qwen3-Next-80B-A3B-Instruct（FP8）模型（Blackwell卡）。
↗
-
3
从杂乱的信息中提取出的思考。
↗
-
4
你好，这是安娜吗？
↗
-
5
超越正交性：语言模型如何将数十亿个概念压缩到12,000维空间中
↗
-
6
Comet浏览器。来自Perplexity的自动人工智能浏览器- 一个改变游戏规则的产品
↗
-
7
比较所有Perplexity Pro模型的研究能力（查看帖子获取结果）
↗
-
8
GPT-OSS-20B监狱突破提示与被消除版本的安全基准测试
↗
-
9
科学指引
↗
-
10
研究发现，大麻使用与患2型糖尿病的风险增加了四倍。
↗
-
11
葡萄藤能帮助减缓塑料废物问题吗？
↗
-
12
Observable Notebooks数据加载器 | Observable
↗
-
13
ROCm 7.0 RC1将LLama.cpp的性能提升了一倍以上。
↗
-
14
高海拔生活（8000英尺及以上 - 2450米）— Studio Q摄影
↗
-
15
三种新的缓存方法即将问世，承诺为DiT模型（如Wan、Flux、Hunyuan等）带来显著的改进 - DiCache、Ertacache和HiCache。
↗
-
16
从零开始编写一个操作系统内核
↗
-
17
Model Page: VaultGemma
↗
-
18
Voultapher/sort-research-rs仓库中的sort-research-rs/writeup/unreasonable/text.md文件。
↗
-
19
GitHub上的BICLab/SpikingBrain-7B项目
↗
-
20
作者提到了gemma-3-27b和gpt-oss-120b。
↗
-
21
裸露
↗
-
22
Geedge & MESA泄露事件：分析中国防火墙最大的文件泄露
↗
-
23
有人知道这句引用语吗，也许是费曼说的，关于他的第一个发现？
↗
-
24
在对8000张未标记图像进行4.5小时后的训练后，BAGEL在图像编辑方面表现优于FLUX-Kontext！
↗
-
25
如何让学生即使通过使用人工智能和抄袭来完成问题集，也能学到东西？
↗
-
26
我可以在空闲时间里做什么来 passively（被动地）提高物理学水平？
↗
-
27
哪些论文没有经受住时间的考验？
↗
-
28
Obsidian与Git（无需插件）
↗
-
29
心肌梗死可能是一种传染病 | 坦佩雷大学
↗
-
30
科学家们为什么重新思考SARS-CoV-2病毒的免疫影响。
↗
-
31
取消pthread_cancel
↗
-
32
Andrew D. Huberman, Ph.D.(@hubermanlab)：“胰岛素抵抗”（IR）并非一成不变：现代科学开始识别许多不同类型的IR，包括肌肉胰岛素抵抗、肝脏IR、脂肪IR等。每种类型都需要不同的方法来解决。在这里讨论：'Huberman实验室的新一集已经发布：通过了解您独特的生物学来改善您的代谢健康和长寿 | 迈克尔·斯奈德博士（@SnyderShot） （0:00）迈克尔·斯奈德 （3:33）健康血糖范围，连续血糖监测器（CGM），糖化血红蛋白 （9:02）个体差异性和食物选择，血糖波动和嗜睡 （12:18）赞助商：AG1的AGZ和Wealthfront （15:16）血糖波动，工具：餐后快步走；腓肠肌“俯卧撑”；运动零食 （21:06）血糖失调，糖尿病和亚表型，工具：更大的早餐 （28:34）运动时间，肌肉胰岛素抵抗 （30:49）糖尿病亚型划分，体重，血糖控制；胰高血糖素 （35:41）GLP-1受体激动剂，糖尿病，工具：肌肉维持和抗阻训练 （38:40）二甲双胍，小檗碱，头痛 （41:01）GLP-1受体激动剂，认知，长寿，工具：习惯支持药物；骑行 （47:41）皮下脂肪与内脏脂肪，器官压力 （49:10）赞助商：大卫和Eight Sleep （51:58）进餐时间和睡眠，工具：晚餐后散步，日常，睡前一致性 （57:16）微生物组，免疫系统和肠道；饮食和个体差异性 （1:02:52）纤维类型，胆固醇和血糖，多酚 （1:09:50）食物作为药物；纤维，微生物组和个体差异性；益生菌 （1:18:48）赞助商：功能 （1:20:35）对健康个体进行剖析，基因组，可穿戴设备 （1:26:31）全身MRI，结节，健康基线，早期诊断 （1:34:07）传感器，CGM，睡眠，心率变异性（HRV），工具：心态影响，增加快速眼动睡眠 （1:39:30）HRV，睡眠，运动，工具：长呼气；次日兴奋和睡眠 （1:42:48）器官衰老，“年龄类型”；生物年龄与年龄的对比 （1:49:41）长寿，健康寿命，遗传学，蓝区 （1:52:19）表观遗传学，病毒感染和疾病 （1:58:54）ALS，遗传性；神经保护，尼古丁 （2:03:47）空气质量，过敏，DEET和杀虫剂，炎症，霉菌；微塑料 （2:15:02）一滴血检测和生物标志物，可穿戴设备，观察性试验 （2:20:3
↗
-
33
We introduce Lumina-DiMOO, an omni foundational model for seamless multimodal generation and understanding. Lumina-DiMOO is distinguished by four key innovations:
↗
-
34
你是否曾经想念PyTorch的工作流程？
↗
-
35
关于自动拒绝功能：一位沮丧的研究者的长篇抱怨
↗
-
36
系列文章：生活、工作、死亡和农民，第四部分c：租金和剥削
↗
-
37
Recent studies have demonstrated the effectiveness of directly aligning diffusion models with human preferences using differentiable reward. However, they exhibit two primary challenges: (1) they rely on multistep denoising with gradient computation for reward scoring, which is computationally expensive, thus restricting optimization to only a few diffusion steps; (2) they often need continuous offline adaptation of reward models in order to achieve desired aesthetic quality, such as photorealism or precise lighting effects. To address the limitation of multistep denoising, we propose Direct-Align, a method that predefines a noise prior to effectively recover original images from any time steps via interpolation, leveraging the equation that diffusion states are interpolations between noise and target images, which effectively avoids over-optimization in late timesteps. Furthermore, we introduce Semantic Relative Preference Optimization (SRPO), in which rewards are formulated as text-c
↗
-
38
被认为能够逆转脊髓损伤的开创性巴西药物在圣保罗展示
↗
-
39
MCP-Agent: 如何构建可扩展的深度研究代理 | AI联盟
↗
-
41
在短短3周内完成了Terry Tao的强素数形式化项目的自主代理程序。
↗
-
42
ASCL.net - 欢迎来到ASCL
↗
-
43
Nyquist和Lisp编程简介
↗
-
44
许多难的Leetcode问题实际上是简单的约束问题。
↗
-
45
CTAN：包装tlc3示例
↗
-
46
我对希格斯玻色子有一个问题。
↗
-
47
激光器
↗
-
48
开源的、与机器学习兼容的人形机器人平台，用于运动和操作。
↗
-
49
Qwen3-Next-80B-A3B - 一个巨大的进步可能是迄今为止最好的开源推理模型
↗
-
50
代理评估过程中的存储库状态漏洞
↗
-
51
每一个按键你所做的：对用于窃听的事件监听器进行技术和法律测量与分析
↗
-
52
带着交配旋律的数字达尔文冒险
↗
-
53
曼哈顿计划的工程史
↗
-
54
DeepCodeBench：通过问答基准测试实现对实际代码库的理解
↗
-
55
为什么AWS Systems Manager被缩写为SSM？
↗
-
56
GPT-OSS 20b (high)在我的工程作业中一贯比gpt5-thinking表现要好得多。
↗
-
57
Qwen(@Alibaba_Qwen)：在LLM推理中击败非确定性
↗
-
58
Rohan Paul(@rohanpaul_ai)：我们都知道强化学习提升了语言模型的推理能力，但没有人真正解释为什么。 这篇论文表明，推理能力随着强化学习的提高，因为学习发生在两个不同的阶段。首先，模型锁定小的执行步骤，然后转向学习规划。这种“分层”观点是他们的第一个新见解。 在开始阶段，模型专注于执行，比如进行算术运算或正确格式化。这些小步骤中的错误会迅速促使其变得更加可靠。一旦基础稳固，主要挑战就转向规划，意味着选择正确的策略和组织解决方案。 研究人员通过区分两种类型的标记来证明这种转变。执行标记是小步骤，规划标记是诸如“让我们尝试另一种方法”之类的短语。 他们发现，在模型掌握执行标记之后，规划标记的多样性增加，这直接与更好的推理和更长的解决方案链相联系。 基于此，他们引入了一种名为层次感知信用分配（HICRA）的新方法。 HICRA不是将学习分散到所有标记中，而是给予规划标记额外的权重。这加快了模型探索和加强策略的速度。 在实验中，HICRA始终击败常见的GRPO方法。当模型已经具备扎实的执行技能基础时，它效果最好。如果基础太弱，HICRA就会遇到困难。 关键信息是，推理能力的真正提升来自于改进规划，而不仅仅是完善执行。 ---- 论文链接 - arxiv. org/abs/2509.03646 论文标题: "通过强化学习在LLMs中出现的分层推理"
↗
-
59
This repository contains Nunchaku-quantized versions of Qwen-Image-Edit, an image-editing model based on Qwen-Image, advances in complex text rendering. It is optimized for efficient inference while maintaining minimal loss in performance.
↗
-
60
新的Ernie X1.1 - 自DeepSeek V3.1以来可能是最好的中国模型，正在慢慢接近前沿技术（或者说是一个简单的测试，暴露了许多模型的不足之处）。
↗
-
61
大五人格特质知识手册：为您的角色增添深度的简便方法
↗
-
62
我创建了自己的AI医疗团队。这改变了医生们对待我的癌症的方式。
↗
-
63
数学科学领域的欺诈性出版
↗
-
64
Hmmm文档
↗
-
65
Clojure对表达式问题提供了解决方案。
↗
-
66
在马尔斯的杰泽罗陨石坑中，由氧化还原反应驱动的矿物和有机物之间的关联。
↗
-
67
失败如何助力成功：与Manu Kapur探讨生产性失败的力量
↗
-
68
新的基于光的人工智能芯片被证明在能效方面高达100倍！
↗
-
69
Thinking Machines(@thinkymachines)：在LLM推理中击败非确定性
↗
-
70
NASA(@NASA)：蓝宝石峡谷
↗
-
72
层次推理模型（HRM）的实现和剖析研究：到底是什么驱动了性能？
↗
-
73
哪些研究领域目前受到欢迎，我应该避免哪些领域？
↗
-
74
Aquif-3.5-8B-Think证明了推理（以及可能是所有MoEs）需要更大的专家规模。
↗
-
75
Transformers
↗
-
76
1000行管理程序
↗
-
77
没有延迟，就没有意识。水母的反应速度是0.7毫秒，而你的是80毫秒。这种延迟正是你存在的原因。
↗
-
78
Model Highlights
↗
-
79
Brian Roemmele(@BrianRoemmele)：斯坦福大学的研究人员开发了一款新芯片，可以读取人类内心的心声。 研究人员设计了一种能够解码内部语音的脑机接口（BCI），这种语音是我们在默读时使用的，也是我们所有内部独白的基础。问题在于，这些内部独白通常涉及我们不希望别人听到的内容。为了防止他们的BCI泄露患者最私密的想法，研究人员设计了一种首创的“心理隐私”保护措施。 研究从收集数据开始，用于训练人工智能算法，这些算法应该能够将涉及内部语音的神经信号转化为文字。团队与四名几乎完全瘫痪的参与者合作，他们在运动皮层的略有不同区域植入了微电极阵列。他们被要求完成一些任务，包括听录制的单词或进行默读。 根据这些数据，团队发现内部语音的表征在大脑相同区域记录的信号中。这些区域负责尝试说话。 这立即引发了一个问题：训练用于解码尝试说话的系统是否有时会意外地捕捉到内部语音。团队用他们在之前一项研究中开发的尝试说话解码系统进行了测试，结果发现它完全可以。 “我们证明了，那些训练用于尝试说话的传统BCI系统，在受试者看着屏幕上的一句话并在脑海中想象说出那句话时，会被激活。”
↗
-
80
从Docker镜像构建单个可执行的微型虚拟机
↗
-
81
你现在需要的不是肯定，而是立即的临床帮助。- Kimi K2
↗
-
82
第二大脑
↗
-
83
免疫疗法药物在临床试验中消灭了侵袭性癌症。
↗
-
84
博客 - Memory Integrity Enforcement：苹果设备内存安全的完整愿景 - 苹果安全研究
↗
-
85
攻击者的失误让我们难得地深入了解了他们的日常操作
↗
-
86
一个新的实验性Go API用于处理JSON数据 - Go编程语言。
↗
-
87
Claude Code性能下降：技术分析
↗
-
88
Strong Eventual Consistency - CRDTs背后的重要思想
↗
-
89
Mistral AI筹集了17亿欧元，加速人工智能技术的进步 | Mistral AI
↗
-
90
IndexTTS2: A Breakthrough in Emotionally Expressive and Duration-Controlled Auto-Regressive Zero-Shot Text-to-Speech
↗
-
91
NotebookLM很棒 - 我如何在本地复制它并保持数据私密？
↗
-
92
C语言的契约
↗
-
93
微软加入世界核能协会，加大对小型模块反应堆和核聚变能源的投入。
↗
-
94
浏览器指纹检测器 | 检测设备追踪 | 金猫OSINT
↗
-
95
包管理器是邪恶的
↗
-
96
英国是如何建造一些世界上最安全的道路的
↗
-
97
在2025年，你如何跟进AI/ML研究和工具的最新进展？（网络安全工程师在Transformer时代之后重新关注）
↗
-
98
加速是相对的，那么加速的电荷如何产生电磁波呢？
↗
-
99
Per-Character Perplexity
↗
-
100
介绍IndexTTS-2.0：情感表达丰富且持续控制的自回归零样本文本转语音的突破。
↗
💬 热议
加载中...